Learning Hyper-Parameters of Image Transformations for Time Series Classification
Notice bibliographique
Résumé
Time Series Classification (TSC) is the task of using a time series to predict the value of a categorical variable-the class of the time series. An interesting approach that has been studied in the TSC literature is converting a given time series into an image, through one of various proposed methods, and classifying the resultant image through a vision model. Furthermore, existing image transformation methods may require the values of one or more parameters. Modifying these parameter values can greatly alter the generated image, thereby impacting the performance of a vision-based classifier. However, guidelines for selecting appropriate parameter values have not been detailed. In fact, due to the diversity of time series used for TSC tasks, establishing such guidelines in a way that ensures optimal results may be impossible. Following this realization, we attempt to build Deep Learning models capable of independently learning appropriate parameter values to maximize classification accuracy. We propose a method wherein these parameters are dynamically determined through a Policy Network, which takes a time series as input. Then, an image is obtained using the resultant parameters and a pre-determined image transformation function. Finally, the image is fed into a vision model to obtain the class of the time series. This approach was tested for three pre-existing image transformation functions on the entirety of the UCR Archive of 128 TSC datasets. The results demonstrate that it may be more effective to allow models to learn the parameters of image transformation functions instead of setting them beforehand.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».